Fugu-MT 論文翻訳(概要): Deep Learning for Model-Free Prediction of Thermal States of Robot Joint Motors

論文の概要: Deep Learning for Model-Free Prediction of Thermal States of Robot Joint Motors

arxiv url: http://arxiv.org/abs/2509.12739v1
Date: Tue, 16 Sep 2025 06:52:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-09-17 17:50:52.92851
Title: Deep Learning for Model-Free Prediction of Thermal States of Robot Joint Motors
Title（参考訳）: ロボットジョイントモータの熱状態のモデルフリー予測のためのディープラーニング
Authors: Trung Kien La, Eric Guiffo Kaigom,
Abstract要約: 本研究では,ロボットマニピュレータのジョイントモータの熱的挙動を予測するために,ディープニューラルネットワークを訓練する。この目的のために、センサ付きジョイントトルクを収集処理し、ジョイントモータの熱的挙動を予測する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: In this work, deep neural networks made up of multiple hidden Long Short-Term Memory (LSTM) and Feedforward layers are trained to predict the thermal behavior of the joint motors of robot manipulators. A model-free and scalable approach is adopted. It accommodates complexity and uncertainty challenges stemming from the derivation, identification, and validation of a large number of parameters of an approximation model that is hardly available. To this end, sensed joint torques are collected and processed to foresee the thermal behavior of joint motors. Promising prediction results of the machine learning based capture of the temperature dynamics of joint motors of a redundant robot with seven joints are presented.
Abstract（参考訳）: 本研究では,ロボットマニピュレータのジョイントモータの熱的挙動を予測するために,複数の隠蔽長短期記憶(LSTM)とフィードフォワード層からなるディープニューラルネットワークを訓練する。モデルフリーでスケーラブルなアプローチが採用されている。これは、ほとんど利用できない近似モデルの多くのパラメータの導出、識別、検証から生じる複雑さと不確実性に対処する。この目的のために、センサ付きジョイントトルクを収集処理し、ジョイントモータの熱的挙動を予測する。 7つの関節を有する冗長ロボットの継手モータの温度動態の機械学習による捕捉の予測結果を示す。

関連論文リスト

Interpretable Robotic Friction Learning via Symbolic Regression [52.41267112707149]
ロボット関節における摩擦トルクの正確なモデリングは、堅牢な数学的記述の要求により、長い間困難であった。伝統的なモデルに基づくアプローチは、しばしば労働集約的であり、広範な実験と専門家の知識を必要とする。ニューラルネットワークに基づくデータ駆動方式は実装が容易だが、堅牢性に欠けることが多い。
論文参考訳（メタデータ） (2025-05-19T14:44:02Z)
Probabilistic Latent Variable Modeling for Dynamic Friction Identification and Estimation [2.638878351659023]
ロボット工学における動的モデルの同定は、制御設計、摩擦補償、出力トルク推定をサポートするために不可欠である。本稿では,潜伏状態を用いたロボット関節の未同定ダイナミクスについて考察する。予測最大化 (EM) アルゴリズムを用いてモデルパラメータの近似最大推定 (MLE) を求める。
論文参考訳（メタデータ） (2024-12-20T10:16:18Z)
Physics-Informed Machine Learning Towards A Real-Time Spacecraft Thermal Simulator [15.313871831214902]
ここで提示されるPIMLモデルまたはハイブリッドモデルは、軌道上の熱負荷条件によって与えられるノイズの低減を予測するニューラルネットワークで構成されている。我々は,ハイブリッドモデルの計算性能と精度を,データ駆動型ニューラルネットモデルと,地球周回小型宇宙船の高忠実度有限差分モデルと比較した。 PIMLベースのアクティブノダライゼーションアプローチは、ニューラルネットワークモデルや粗いメッシュモデルよりもはるかに優れた一般化を提供すると同時に、高忠実度モデルと比較して計算コストを最大1.7倍削減する。
論文参考訳（メタデータ） (2024-07-08T16:38:52Z)
Learning-based adaption of robotic friction models [50.72489248401199]
我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
論文参考訳（メタデータ） (2023-10-25T14:50:15Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)
End-to-End Learning of Hybrid Inverse Dynamics Models for Precise and Compliant Impedance Control [16.88250694156719]
剛体力学モデルの物理的に一貫した慣性パラメータを同定できる新しいハイブリッドモデルの定式化を提案する。 7自由度マニピュレータ上での最先端の逆動力学モデルに対する我々のアプローチを比較した。
論文参考訳（メタデータ） (2022-05-27T07:39:28Z)
Bidirectional Interaction between Visual and Motor Generative Models using Predictive Coding and Active Inference [68.8204255655161]
本稿では,感覚予測のための生成モデルと,運動軌跡の生成モデルからなるニューラルアーキテクチャを提案する。我々は,知覚予測のシーケンスが学習,制御,オンライン適応を導くレールとしてどのように機能するかを強調する。
論文参考訳（メタデータ） (2021-04-19T09:41:31Z)
Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
論文参考訳（メタデータ） (2021-03-11T15:21:08Z)
Action-Conditional Recurrent Kalman Networks For Forward and Inverse Dynamics Learning [17.80270555749689]
ロボットのモデルベース制御において、正確な前方および逆ダイナミクスモデルの推定が重要な要素である。本稿では,フォワードモデル学習のためのアーキテクチャと,逆モデル学習のためのアーキテクチャを提案する。どちらのアーキテクチャも、予測性能の点で、既存のモデル学習フレームワークと分析モデルを大きく上回っている。
論文参考訳（メタデータ） (2020-10-20T11:28:25Z)
Data-Driven Permanent Magnet Temperature Estimation in Synchronous Motors with Supervised Machine Learning [0.0]
自動車用永久磁石同期モータ(PMSM)における磁石温度のモニタリングは難しい課題である。過熱によりモータの劣化が激しくなり、機械の制御戦略とその設計に高い懸念が生じる。いくつかの機械学習(ML)モデルは、潜時高ダイナミックな磁力温度分布を予測するタスクにおいて、その推定精度を実証的に評価する。
論文参考訳（メタデータ） (2020-01-17T11:41:02Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。